基于同态加密和联邦学习的隐私数据保护方法及系统与流程

本发明涉及隐私数据保护，尤其涉及一种基于同态加密和联邦学习的隐私数据保护方法及系统。

背景技术：

1、随着全球老龄化进程的加快，老年群体的健康管理成为各国医疗体系面临的重大挑战之一。慢性病如糖尿病、高血压、心脏病等是老年人群中的常见健康问题，这类疾病需要长期、持续的监测和管理，以确保患者的病情得到有效控制。传统的健康管理模式主要依赖定期的医院就诊和体检，但这种方式效率较低，且不能实时监控患者的健康状况。

2、基于物联网技术的智慧健康管理平台通过将智能健康设备与互联网连接，能够实时采集患者的生理数据，并将这些数据上传至云端平台进行分析和监控。医生和健康管理人员可以通过远程监控系统，及时掌握患者的健康动态，给予个性化的健康建议和干预措施。然而，这些平台在采集、传输和存储大量个人敏感数据时，一旦数据被泄露或滥用，可能给患者的隐私带来严重威胁。现有的健康管理系统虽然采用了加密技术、数据访问控制等基本安全措施，但面对复杂多变的网络攻击和数据滥用威胁，这些措施显得力不从心。同时，传统的集中化数据存储和处理模式也带来了数据泄露的高风险。为满足隐私保护的高标准要求，亟需将差分隐私、同态加密、联邦学习等新型隐私保护技术引入智慧健康管理系统中。

技术实现思路

1、本发明提供了一种基于同态加密和联邦学习的隐私数据保护方法及系统，本发明采用了多种隐私保护技术，在保护数据隐私的同时实现了数据的高效利用。

2、第一方面，本发明提供了一种基于同态加密和联邦学习的隐私数据保护方法，所述基于同态加密和联邦学习的隐私数据保护方法包括：

3、对多个养老机构的物联网设备采集的原始健康数据进行拉普拉斯噪声添加和数据标准化处理，得到预处理数据集和隐私风险评估结果；

4、根据所述隐私风险评估结果，对所述预处理数据集中的数值型数据进行bfv同态加密处理，对神经网络计算数据进行ckks同态加密处理，得到双重加密数据集；

5、基于所述双重加密数据集构建去中心化联邦学习框架，通过数据异构性分析和联邦优化算法计算训练权重，得到全局训练参数；

6、将所述全局训练参数输入梯度裁剪模块进行噪声注入处理，基于差分隐私预算约束进行模型迭代训练，得到隐私保护模型；

7、对所述隐私保护模型进行可信执行环境部署，通过基于角色的多级访问控制和零知识证明进行身份验证，得到安全访问策略；

8、基于所述安全访问策略，对所述隐私保护模型进行边缘节点分布式部署，通过安全多方计算协议进行跨机构健康数据分析，得到协同分析结果。

9、第二方面，本发明提供了一种基于同态加密和联邦学习的隐私数据保护系统，所述基于同态加密和联邦学习的隐私数据保护系统包括：

10、标准化模块，用于对多个养老机构的物联网设备采集的原始健康数据进行拉普拉斯噪声添加和数据标准化处理，得到预处理数据集和隐私风险评估结果；

11、加密模块，用于根据所述隐私风险评估结果，对所述预处理数据集中的数值型数据进行bfv同态加密处理，对神经网络计算数据进行ckks同态加密处理，得到双重加密数据集；

12、计算模块，用于基于所述双重加密数据集构建去中心化联邦学习框架，通过数据异构性分析和联邦优化算法计算训练权重，得到全局训练参数；

13、训练模块，用于将所述全局训练参数输入梯度裁剪模块进行噪声注入处理，基于差分隐私预算约束进行模型迭代训练，得到隐私保护模型；

14、验证模块，用于对所述隐私保护模型进行可信执行环境部署，通过基于角色的多级访问控制和零知识证明进行身份验证，得到安全访问策略；

15、分析模块，用于基于所述安全访问策略，对所述隐私保护模型进行边缘节点分布式部署，通过安全多方计算协议进行跨机构健康数据分析，得到协同分析结果。

16、本发明第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的基于同态加密和联邦学习的隐私数据保护方法。

17、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于同态加密和联邦学习的隐私数据保护方法。

18、本发明提供的技术方案中，通过构建多层级隐私保护架构，在数据采集、传输、存储和分析的全流程中实现了隐私数据的安全防护。具体而言，通过拉普拉斯噪声添加和数据标准化实现数据预处理，采用bfv和ckks双重同态加密确保数据传输安全；基于去中心化联邦学习框架实现多机构间的数据协同分析，通过差分隐私预算约束和梯度裁剪保护模型训练过程；利用intel sgx和arm trustzone双重可信执行环境部署模型，结合基于角色的多级访问控制和零知识证明进行身份验证；最后通过边缘计算和安全多方计算实现跨机构健康数据的协同分析。本发明不仅有效解决了传统健康管理系统中存在的数据隐私泄露问题，还通过创新性地融合多种隐私保护技术，在保护数据隐私的同时实现了数据的高效利用。

技术特征：

1.一种基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述对多个养老机构的物联网设备采集的原始健康数据进行拉普拉斯噪声添加和数据标准化处理，得到预处理数据集和隐私风险评估结果，包括：

3.根据权利要求2所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述对所述多模态安全分类结果构建三层评估矩阵，第一层进行数据敏感度计算得到敏感度评分，第二层进行数据暴露范围分析得到暴露度评分，第三层进行数据使用频率统计得到频率评分，通过三层评分的加权组合得到数据敏感度评分矩阵，包括：

4.根据权利要求2所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述根据所述隐私风险评估结果，对所述预处理数据集中的数值型数据进行bfv同态加密处理，对神经网络计算数据进行ckks同态加密处理，得到双重加密数据集，包括：

5.根据权利要求4所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述基于所述双重加密数据集构建去中心化联邦学习框架，通过数据异构性分析和联邦优化算法计算训练权重，得到全局训练参数，包括：

6.根据权利要求5所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述对所述双重加密数据集中的老年人慢性病监测数据构建多层级特征提取网络，第一层提取数据时序特征得到时序特征矩阵，第二层提取数据类别特征得到类别特征矩阵，第三层提取数据关联特征得到关联特征矩阵，通过特征融合运算得到数据分布特征向量，包括：

7.根据权利要求6所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述将所述全局训练参数输入梯度裁剪模块进行噪声注入处理，基于差分隐私预算约束进行模型迭代训练，得到隐私保护模型，包括：

8.根据权利要求7所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述对所述隐私保护模型进行可信执行环境部署，通过基于角色的多级访问控制和零知识证明进行身份验证，得到安全访问策略，包括：

9.根据权利要求8所述的基于同态加密和联邦学习的隐私数据保护方法，其特征在于，所述基于所述安全访问策略，对所述隐私保护模型进行边缘节点分布式部署，通过安全多方计算协议进行跨机构健康数据分析，得到协同分析结果，包括：

10.一种基于同态加密和联邦学习的隐私数据保护系统，其特征在于，用于执行如权利要求1-9中任一项所述的基于同态加密和联邦学习的隐私数据保护方法，所述基于同态加密和联邦学习的隐私数据保护系统包括：

技术总结
本发明涉及隐私数据保护技术领域，公开了一种基于同态加密和联邦学习的隐私数据保护方法及系统，该方法包括：对多个养老机构的物联网设备采集的原始健康数据进行处理，得到预处理数据集和隐私风险评估结果；进行加密，得到双重加密数据集；构建去中心化联邦学习框架，计算全局训练参数；进行噪声注入处理和模型迭代训练，得到隐私保护模型；对隐私保护模型进行可信执行环境部署，通过基于角色的多级访问控制和零知识证明进行身份验证，得到安全访问策略；对隐私保护模型进行边缘节点分布式部署，通过安全多方计算协议进行跨机构健康数据分析，得到协同分析结果，本发明采用了多种隐私保护技术，在保护数据隐私的同时实现了数据的高效利用。

技术研发人员：郭啟恩,梁駿豪,劉璇
受保护的技术使用者：地域电脑有限公司
技术研发日：
技术公布日：2025/2/27